Об авторе и происхождении этой работы

Эта статья - не академическое упражнение и не спекулятивная теория. Она представляет собой концентрат семнадцатилетнего опыта проектирования и управления системами корпоративного обучения в крупнейших международных компаниях, включая Microsoft, Samsung и группу компаний РОЛЬФ. На протяжении этих лет я выстраивал корпоративные академии, управлял командами тренеров и методологов, разрабатывал карьерные треки, внедрял системы смешанного обучения и оценивал эффективность учебных программ для десятков тысяч сотрудников.

Работая с разными организациями от высокотехнологичных корпораций до федерального ритейла я неизменно сталкивался с одними и теми же фундаментальными вопросами. Почему одни сотрудники после обучения демонстрируют устойчивый рост, а другие, несмотря на те же программы, быстро выходят на плато и теряют мотивацию? Почему краткосрочные тренинги часто дают яркий, но быстро затухающий эффект? Как должна быть устроена обучающая среда, чтобы развитие было не разовым событием, а непрерывным процессом, встроенным в повседневную работу? И, главное, существует ли единый принцип, объясняющий, как из микро-решений «практиковаться или отложить» складывается многолетняя траектория профессионального роста?

Ответы на эти вопросы не лежат на поверхности ни в одной из прикладных дисциплин. Корпоративное обучение по текущий день остаётся областью, управляемой скорее интуицией и «лучшими практиками», чем формализованным теоретическим фундаментом. Чтобы продвинуться в понимании, мне потребовалось соединить несколько линий: анализ данных об эффективности учебных программ, наблюдение за реальными траекториями изменений участников, изучение научных публикаций в области психологии научения, мотивации и когнитивной науки, а также собственное психологическое образование, включая подготовку в области когнитивно-поведенческой терапии и психологии Института психологии РАН.

Результатом этого синтеза стала модель, представленная в данной статье. Она не претендует на полноту описания всех аспектов обучения, но предлагает то, чего, на мой взгляд, остро не хватает практикам: минималистичную, но объяснительную рамку, которая связывает разномасштабные процессы от динамики мотивации и усталости внутри одной рабочей сессии до кривых мастерства, разворачивающихся на годах.

Введение

Обучение пронизывает всю человеческую жизнь от первых детских попыток схватить игрушку до вершин мастерства, на покорение которых уходят десятилетия. Пикассо не стал Пикассо за один день; его путь складывался из бесчисленных мгновений выбора: начать работу или отложить, продолжать или отдохнуть, вернуться к старому приему или рискнуть новым. Эти мгновения, растянутые на годы, и составляют траекторию мастерства.

Однако научное понимание обучения остается фрагментированным. Одни исследователи изучают кривые научения на масштабах месяцев и лет, другие - динамику мотивации и усталости в пределах одной лабораторной сессии. Эти линии исследований почти не пересекаются, и в результате у нас нет ответа на простой вопрос:

как краткосрочные решения «работать или отдохнуть» складываются в долгосрочную траекторию роста навыка?

Психологическая наука неоднократно призывала к развитию более формализованных теорий, способных объединять разрозненные эмпирические обобщения в единую логическую структуру [Meehl, Borsboom, Fried]. В ответ на этот призыв я предлагаю лаконичную математическую модель, которая связывает вложенные временные масштабы обучения от минутной динамики усталости и мотивации до многолетних кривых роста мастерства. Моя цель - показать, что несколько простых принципов могут одновременно объяснить широкий спектр известных феноменов: от закона убывающей отдачи при практике до состояния потока и индивидуальных различий в учебной мотивации.

Концептуальная схема многомасштабной природы обучения

Два масштаба обучения и проблема их разрыва

Долгосрочная перспектива: кривые, плато и скачки

Классическая картина обучения на масштабе месяцев и лет описывается кривыми научения. В одной из наиболее влиятельных работ Newell и Rosenbloom (1981) показали, что рост производительности во множестве задач от набора текста до сборки сигар подчиняется закону убывающей отдачи: наибольший прогресс происходит на ранних этапах, а затем скорость обучения неуклонно снижается. Этот закон - одно из самых надежных обобщений в психологии научения.

Классическая кривая научения - крутой подъем на ранних этапах, затем снижение наклона и выход на плато

Однако более детальные исследования показывают, что реальная картина сложнее. Обучение часто происходит стадийно: периоды видимого плато сменяются скачками производительности. Иногда прогрессу предшествует временное ухудшение. Например, когда ученик отказывается от привычного, но ограниченного способа действия в пользу более совершенного, но пока не освоенного. Классический пример из спорта - переход прыгунов в высоту к технике «фосбери-флоп», которая поначалу дает худшие результаты, но в итоге превосходит все предыдущие стили. В когнитивной психологии это явление известно как «желательные трудности» (desirable difficulties; Bjork & Bjork, 2011): условия, временно снижающие производительность, могут максимизировать долгосрочное научение.

Стадийная кривая обучения

Таким образом, долгосрочная траектория обучения характеризуется тремя ключевыми паттернами:

убывающая отдача при неизменной задаче,
плато и стагнация,
временные провалы с последующими скачками на новый уровень.

Краткосрочная перспектива: эпизоды, циклы, состояния

Долгая траектория мастерства складывается из коротких эпизодов. Человек садится за работу, продолжает ее до утомления, отдыхает и возвращается снова. Эти циклы длятся от минут до часов и определяются динамическим балансом мотивации и усталости.

Микро-динамика одной рабочей сессии.

Ресурсные теории самоконтроля и усилия (Baumeister et al., 1998; Muraven & Baumeister, 2000) долгое время описывали эти циклы через метафору ограниченного ресурса: усилие расходует его, отдых восстанавливает. Более современные модели когнитивного усилия (Kurzban et al., 2013; Shenhav et al., 2017) предлагают иную интерпретацию: усталость - не истощение бака, а сигнал о растущей стоимости текущей деятельности по сравнению с доступными альтернативами. Иными словами, я прекращаю работу не потому, что «кончились силы», а потому, что субъективная выгода продолжения перестает перевешивать издержки.

В обоих случаях центральным становится соотношение двух сил: мотивации к выполнению задачи и накапливающегося отвращения к ней же.

Проблема разрыва

Главная проблема состоит в том, что долгосрочные и краткосрочные процессы обычно изучаются изолированно. Модели кривых научения молчаливо предполагают, что обучение - это непрерывный процесс накопления навыка, и игнорируют тот факт, что оно состоит из дискретных эпизодов активности, разделенных периодами отдыха. В свою очередь, модели мотивации и усталости редко спрашивают, как эти микроциклы сказываются на траектории мастерства спустя месяцы.

Но эти уровни взаимозависимы. Сколько времени человек проведет за задачей сегодня, зависит от его текущей мотивации и усталости. А уровень мотивации, в свою очередь, определяется тем, видит ли он прогресс в долгосрочной перспективе.

Замкнутый круг: микро-решения формируют макро-траекторию, которая определяет будущие микро-решения.

Объединяющая модель

Я предлагаю математическую модель, которая связывает эти уровни. Модель минималистична: она включает ровно столько компонентов, сколько необходимо для воспроизведения наблюдаемой феноменологии, и не больше. Такой подход «из первых принципов» зарекомендовал себя в экологии и статистической физике, где простые модели позволяют выделить минимальный набор условий, достаточный для возникновения сложного поведения.

Долгосрочные переменные: мастерство

Модель оперирует тремя долгосрочными переменными:

S(t) — уровень навыка (мастерство);
T(t) — сложность задачи, над которой работает человек;
E(t) — эффективность выполнения (текущая производительность).

Производительность в момент t определяется как произведение навыка и эффективности: P(t) = S(t) × E(t). Высокое мастерство само по себе не гарантирует высокой производительности, если человек истощен или задача несоразмерна его уровню.

Рост навыка описывается ключевым принципом: скорость научения пропорциональна «полезной сложности», той части сложности задачи, которая лишь немного превосходит текущий уровень навыка.

Формально: dS/dt ∝ E × f(T − S)

Где функция f достигает максимума, когда сложность задачи T чуть выше текущего навыка S, и стремится к нулю, когда задача тривиально проста (T << S) или безнадежно сложна (T >> S). Это математическая формализация идеи зоны ближайшего развития (Выготский, 1934) и зоны оптимального вызова (optimal challenge; Csikszentmihalyi, 1990).

Функция «полезной сложности»

Краткосрочные переменные: вовлеченность

На масштабе минут и часов действуют две переменные состояния:

M(t) — мотивация (субъективная ценность продолжения работы);
F(t) — усталость (субъективная стоимость продолжения работы);
p(t) — бинарное состояние: работает (1) или отдыхает (0).

Динамика этих переменных подчиняется следующим правилам:

Усталость растет во время работы (пропорционально прилагаемому усилию) и экспоненциально снижается во время отдыха. Мотивация стремится к некоторому базовому уровню, но может повышаться двумя путями: за счет видимого прогресса в навыке (ориентация на обучение) или за счет высокой текущей производительности (ориентация на результат).

Центральный элемент модели - правило переключения: человек начинает работать, когда мотивация превышает усталость, и прекращает, когда усталость догоняет мотивацию. Иными словами, работа продолжается, пока

M(t) − F(t) > 0

Когда эта разность падает до нуля или ниже, наступает истощение, и следует период отдыха для восстановления.

Это правило формализует интуитивно понятную идею: я бросаю дело не тогда, когда «устал вообще», а тогда, когда усталость от этого конкретного дела перевесила желание им заниматься.

Результаты: четыре режима обучения

Модель позволяет проанализировать, как различные стратегии изменения сложности задачи влияют на долгосрочную траекторию навыка и на микро-динамику вовлеченности. Рассмотрим четыре сценария.

1. Постоянная сложность: выход на плато и истощение мотивации

Если сложность задачи T остается неизменной, модель воспроизводит классический закон убывающей отдачи. Поначалу, когда разница T − S велика, навык быстро растет. Но по мере приближения S к T полезная сложность падает, скорость научения замедляется, и рост выходит на плато.

Одновременно с этим меняется микро-динамика. Когда задача была новой и сложной, каждый маленький успех подпитывал мотивацию. Когда задача стала привычной, мотивация падает: прогресса почти нет, скука нарастает. Модель предсказывает, что рабочие периоды становятся короче, а их частота снижается. Человек не просто перестает улучшаться - он теряет желание практиковаться.

Панель A: S(t) выходит на плато к горизонтальной линии T. Панель B: микро-динамика M и F в начале обучения - длинные блоки работы, высокая мотивация. Панель C: поздний этап - короткие блоки, низкая мотивация. Панель D: столбчатая диаграмма суммарного времени работы за сессию - неуклонное снижение

Это объясняет, почему многие бросают навык, достигнув «приемлемого» уровня: не потому, что дальше расти невозможно, а потому, что микро-динамика мотивации и усталости делает дальнейшую практику субъективно невыгодной.

2. Пошаговое увеличение сложности: циклы плато, спада и роста

Если сложность задачи повышается дискретными шагами. Например, ученик переходит от простых действий к более сложным, модель демонстрирует характерные циклы. Сразу после повышения T производительность временно падает: навык S еще не дорос до нового уровня сложности. Это наблюдаемый в реальных данных временный провал.

Однако, если новый уровень сложности находится в пределах достижимости, навык начинает расти с новой скоростью, и через некоторое время производительность превосходит прежний максимум.

Панель A: ступенчатая T(t) и догоняющая ее S(t). Панель B: производительность P(t) с провалами после каждого скачка T и последующим ростом выше прежнего пика. Панель C: суммарное время работы - падает на плато и резко возрастает после повышения сложности

Модель воспроизводит стадийную динамику: плато, спад, скачок и показывает, что эти скачки являются необходимым следствием механики вовлеченности. Без повышения сложности наступает стагнация; со своевременным повышением новый рост.

3. Непрерывно растущая сложность: устойчивый рост и состояние потока

Наиболее благоприятный сценарий - это плавное, непрерывное увеличение сложности задачи, синхронизированное с ростом навыка. В этом режиме модель предсказывает устойчивый долгосрочный рост без выраженных плато и провалов. На микроуровне это сопровождается поддержанием высокого уровня мотивации: задача всегда достаточно трудна, чтобы вызывать интерес, но не настолько трудна, чтобы вызывать фрустрацию.

Именно этот режим соответствует состоянию потока (Csikszentmihalyi, 1990), субъективному переживанию полной поглощенности деятельностью, когда работа продолжается долго и без выраженного ощущения усталости.

Слева - плавно растущие S(t) и T(t) с постоянным зазором T − S. Справа - классическая диаграмма «канала потока» Чиксентмихайи, где траектория модели движется точно по диагональному каналу между зонами «Скука» и «Тревога».

Модель объясняет поток не как загадочное состояние, а как естественное следствие оптимального соотношения T − S: в зоне оптимального вызова мотивация максимальна, и баланс M > F удерживается дольше.

4. Слишком быстрый рост сложности: отказ от деятельности

Если сложность наращивается слишком агрессивно, разрыв T − S становится чрезмерным. Полезная сложность выходит за пределы оптимальной зоны, прогресс замедляется или исчезает. Мотивация падает, усталость растет быстрее обычного из-за фрустрации и безуспешных попыток. Модель предсказывает, что в этом режиме рабочие периоды стремительно сокращаются, а периоды отдыха удлиняются. В конечном итоге человек отказывается от деятельности вовсе.

Панель A: T(t) круто взмывает вверх, S(t) быстро отстает, разрыв T − S закрашен красным. Панель B: деградация рабочих циклов - блоки работы короче, отдых длиннее, в конце пометка «Отказ». Панель C: суммарное время работы обрывается до нуля

Это теоретическое объяснение известного педагогического принципа: слишком резкое усложнение материала не ускоряет обучение, а убивает его.

Индивидуальные различия и два источника мотивации

Люди различаются по тому, что именно подпитывает их желание продолжать работу. В данной модели это различие формализовано через два источника мотивации:

Ориентация на прогресс: мотивация растет при обнаружении прироста навыка, то есть при dS/dt > 0. Такой ученик ценит сам факт улучшения, даже если текущая производительность невысока.
Ориентация на результат: мотивация растет при высокой текущей эффективности E(t). Такой ученик ценит ощущение компетентности «здесь и сейчас».

Модель делает конкретное предсказание. Ориентированные на прогресс чаще выбирают задачи повышенной сложности, из-за чего временно проседают в производительности, а их кривая обучения выглядит более «зубчатой». Однако в долгосрочной перспективе они достигают более высокого уровня мастерства, поскольку постоянно удерживают себя в зоне оптимальной сложности. Ориентированные на результат склонны задерживаться на задачах, с которыми уже справляются хорошо; их кривая обучения выглядит более гладкой, но выходит на плато раньше и на более низком уровне.

Два графика рядом. Слева «Ориентация на прогресс»: зубчатая кривая, высокий финальный уровень S. Иконка альпиниста. Справа «Ориентация на результат»: гладкая кривая, раннее и низкое плато

Это предсказание согласуется с обширной литературой по мотивации достижения (Dweck, 2006; Elliot & Murayama, 2008) и предлагает ее формальную интеграцию в теорию научения.

Что объясняет модель

Предложенная минималистичная структура естественным образом воспроизводит целый ряд хорошо документированных, но обычно объясняемых по отдельности феноменов:

Закон убывающей отдачи при практике. Снижение скорости научения при постоянной сложности задачи возникает не как свойство когнитивной архитектуры, а как срочный результат взаимодействия навыка, сложности и микро-динамики вовлеченности: падает разница T − S → падает скорость научения → падает мотивация → сокращается время практики.

Желательные трудности. Временное ухудшение производительности при смене стратегии или усложнении задачи - это не ошибка системы, а необходимое условие выхода на новый уровень. Модель показывает, что без таких «провалов» невозможен дальнейший рост.

Состояние потока. Высокая вовлеченность и длительная работа без ощущения усталости возникают, когда сложность задачи непрерывно и плавно подстраивается под растущий навык, удерживая мотивацию на максимуме.

Индивидуальные различия в учебных траекториях. Ориентация на прогресс или на результат приводит к систематически разным паттернам выбора сложности и, как следствие, к разным долгосрочным исходам.

Итоговая сводная схема. В центре - упрощенная модель (S, T, M, F и правило M > F). Четыре стрелки к четырем феноменам: «Закон убывающей отдачи», «Желательные трудности», «Состояние потока», «Индивидуальные различия». Встречная стрелка: «Все феномены - следствия единой динамики»

Ограничения и следующие шаги

Модель остается абстрактной и не учитывает ряд факторов, важных для конкретных приложений: взаимодействие нескольких навыков одновременно, внешние мотиваторы (дедлайны, социальное давление), когнитивные ограничения на сложность обработки информации. Это сознательное ограничение: сила подхода «из первых принципов» в выделении минимального набора условий, необходимых для возникновения явления.

Вместе с тем модель делает проверяемые предсказания, которые могут быть сопоставлены с эмпирическими данными:

В задачах с фиксированной сложностью отношение времени работы ко времени отдыха внутри типичной сессии должно сокращаться по мере роста мастерства.
Переход на новую, более сложную задачу должен сопровождаться временным снижением как производительности, так и субъективной мотивации, за которым следует их совместный рост.
Люди с высокой ориентацией на прогресс должны демонстрировать более выраженные колебания производительности на коротких временных интервалах, но более высокий итоговый уровень мастерства - по сравнению с людьми, ориентированными на результат.

Эти предсказания могут быть протестированы как на очных учебных программах, так и на данных цифровых обучающих платформ, которые позволяют отслеживать микроактивность пользователей на масштабах от секунд до лет.

Заключение: принципы проектирования корпоративного обучения

Проведенный анализ и предложенная модель имеют прямые следствия для того, как должны строиться программы развития сотрудников в организациях. Традиционное корпоративное обучение часто грешит двумя крайностями: либо оно представляет собой разовые интенсивные курсы/тренинги, после которых сотрудник возвращается к рутине и быстро теряет приобретенные навыки, либо оно сводится к повторению одних и тех же операций, что ведет к стагнации и выгоранию. Модель подсказывает третий путь, основанный на логике удержания сотрудника в зоне оптимального вызова.

Первое. Сложность задач должна расти непрерывно и плавно. Модель однозначно показывает, что наихудший сценарий для долгосрочного роста - это неизменная сложность, ведущая к плато, и резкие скачки сложности, ведущие к отказу. Оптимальная траектория - это последовательное, пошаговое усложнение рабочих задач в темпе, синхронизированном с ростом компетенций сотрудника. На практике это означает отказ от модели «отправил на обучение и забыл» в пользу непрерывного цикла: короткий цикл обучения → применение на практике с чуть более сложной задачей → закрепление → следующий уровень сложности.

Второе. Необходимо проектировать «желательные трудности» и нормализовать временные спады. Модель предсказывает, что переход на новый уровень сложности всегда сопровождается временным снижением производительности. В корпоративной среде такое снижение часто воспринимается как провал и сотрудник, и руководитель могут сделать ложный вывод, что «обучение не работает». Модель утверждает обратное: краткосрочный спад производительности является необходимым условием выхода на новый, более высокий уровень. Корпоративные программы обучения должны явно закладывать эту логику: предупреждать сотрудников о нормальности временных трудностей, обеспечивать поддержку в периоды спада и оценивать прогресс не по сиюминутным показателям, а по долгосрочному тренду.

Третье. Программы должны учитывать тип мотивации сотрудника. Сотрудники с ориентацией на прогресс выигрывают от постановки все более сложных задач и обратной связи о росте их компетенций. Сотрудники с ориентацией на результат нуждаются в дополнительной поддержке при выходе из зоны комфорта: для них важно компенсировать временное падение ощущения компетентности четкими ориентирами, признанием промежуточных достижений и объяснением связи между текущими трудностями и будущим ростом.

Четвертое. Обучение должно быть распределенным во времени, а не сконцентрированным. Модель наглядно демонстрирует, что мастерство вырастает из суммы коротких рабочих сессий, разделенных периодами восстановления, а не из единовременного героического усилия. Интенсивный двухдневный тренинг, после которого сотрудник на месяц возвращается к прежним задачам, обречен на провал: навык не закрепляется, а мотивация гаснет. Значительно эффективнее короткие, регулярные, постепенно усложняющиеся учебные модули, встроенные в повседневную рабочую практику.

Пятое. Цель - удержание сотрудника в состоянии потока. Модель показывает, что максимальная производительность и минимальная выгораемость достигаются не в зоне комфорта и не в зоне паники, а в узком коридоре между ними. Там, где сложность задачи лишь немного опережает текущий навык. Проектирование корпоративного обучения должно руководствоваться именно этим принципом: каждый следующий шаг обязан быть посильным вызовом, а не рутинным повторением и не шоковой встряской. В этом случае работа сама становится обучающей средой, а формальное обучение лишь точкой входа в непрерывный цикл роста.

В конечном счете, главный вывод модели для построения корпоративного обучения состоит в следующем:

Ключ к долгосрочному развитию сотрудников не в количестве часов, проведенных в учебных аудиториях, и не в бюджете на внешних провайдеров. Он состоит в архитектуре самой рабочей среды, которая должна быть спроектирована как лестница постепенно усложняющихся вызовов, где каждая ступень удерживает человека в точке баланса между мотивацией и усталостью, между компетентностью и ростом.

Прежде чем поставить точку, хочу задать несколько вопросов тем, кто проектирует обучение на практике:

Используете ли вы принцип постепенного усложнения задач? Если да, как именно он у вас реализован?
Сталкивались ли вы с тем, что сотрудники после быстрого прогресса выходят на плато и теряют мотивацию и как вы с этим работаете?
Замечали ли вы разницу в траекториях роста у сотрудников, по-разному мотивированных: одних драйвит сам прогресс, других ощущение компетентности «здесь и сейчас»?

Выберите тот вопрос, который больше всего резонирует с вашим опытом, и поделитесь в комментариях. Лучшие корпоративные практики часто вырастают именно из таких обсуждений.

От мгновения к мастерству: единая модель обучения, объединяющая мотивацию, усталость и долгосрочный рост